摘要：Many types of physical models have been developed for runoff estimation with successful results. However, accurate runoff estimation remains a challenging problem owing to the lack of field data and the complexity of its hydrological process. In this paper, a machine learning method for runoff estimation is presented as an alternative approach to the physical model. Various types of input variables and Artificial Neural Network (ANN) architectures were examined in this study. Results showed that a two-layer network with the tansig activation function and the Levenberg–Marquardt learning algorithm had the best performance. For this architecture, the most effective input vector consists of a catchment perimeter, canal length, slope, runoff coefficient, and rainfall intensity. However, results of multivariate analysis of variance indicated the significant interaction effect of input data and the ANN architecture. Thus, to create a suitable ANN model for runoff estimation, a systematic determination of the input vector is necessary.
其他摘要：Muitos tipos de modelos físicos foram desenvolvidos para estimativa de escoamento superficial com resultados bem sucedidos. Entretanto, a estimativa precisa do escoamento continua sendo um problema desafiador devido à falta de dados de campo e à complexidade de seu processo hidrológico. Neste artigo, um método de aprendizagem de máquina para a estimativa de escoamento é apresentado como uma abordagem alternativa ao modelo físico. Vários tipos de variáveis de entrada e arquiteturas de Rede Neural Artificial (RNA) foram examinados neste estudo. Os resultados mostraram que uma rede de duas camadas com a função de ativação de tansig e o algoritmo de aprendizagem Levenberg-Marquardt tinha o melhor desempenho. Para esta arquitetura, o vetor de entrada mais eficaz consiste em um perímetro de captação, comprimento do canal, inclinação, coeficiente de escoamento e intensidade da chuva. No entanto, os resultados da análise multivariada de variância indicaram o efeito de interação significativo dos dados de entrada e da arquitetura RNA. Assim, para criar um modelo RNA adequado para a estimativa de escoamento superficial, é necessária uma determinação sistemática do vetor de entrada.
关键词：Captação urbana;estimativa de escoamento superfi cial;rede neural arti ;fi cial;aprendizagem de máquinas
